如何利用 MCP/CLI 与大模型实现全自动市场调研？

Jax丰哥
AI 自动化工作流
2026-05-30
400热度
2评论

一、背景与痛点

在选品流程中，我们往往拥有一套祖传下来的，极度消耗人力的“标准模板”（通常是 Excel、飞书文档或 PPT）。常规做法是：人工使用卖家精灵、Sorftime、飞鱼、Sif 等各个 SaaS 选品工具，频繁地复制数据、截取图表，再机械地粘贴到模板中。

尤其是针对重点款式和产品具体参数的分析，极度依赖人工逐个点击 ASIN 链接、浏览 Listing、肉眼归纳总结。简单总结就是，一套需要人工长时间搜集数据的这么个活。缺点也很明显：费时、费力，而且还容易遗漏关键信息。

随着大模型及 AI 原生配套能力的爆发式增长，这类固定且重复的数据收集与初级分析工作，理论上可以做到自动化。传统的 RPA 由于迭代成本高、容错率低，很难担此大任。那么取而代之的，是 MCP（Model Context Protocol）或 CLI（命令行接口）这类对 AI/Agent 更加友好的新型工具生态。

二、准备工作与技术选型

需要的工具：

AI 大模型：GPT 5.5 xhigh（主力）。OpenAI 的额度非常豪爽且不容易封号，已成为当前的主力，当然Claude、DeepSeek这些都可以。
MCP/CLI 工具：卖家精灵 CLI 或 Sorftime CLI。作为程序员出身，我更倾向于选择 CLI（命令行接口）模式。相比于 MCP 自动连接，CLI 这种偏向 API 的显式调用能够让我们更精准地控制调用频次、调试输入输出，从而严格把控 Token 和额度次数打满的风险。
开发工具（AI IDE）：Codex（主力）。作为 ChatGPT 的亲儿子，Codex 在代码上下文理解和自动化脚本编写上体验极佳。当然，Trae、Cursor 或 Antigravity 等工具也完全可以胜任，选择自己常用的即可。

三、需求分析

在做这个市场调研报告之前，特意去逛了一下 知无不言，搜集了一些大家选品时常用的模板。在阅读了几十个模板之后，结合自己的经验，发现大家的对调研报告的内容基本可以抽象归纳为四大核心模块：

市场大盘分析（看天花板与赛道健康度）
产品形态分析（看功能、规格与迭代空间）
竞品分析（看头部玩家的护城河）
利润测算分析（看可行性、利润空间）

有了这四大方向后，接下来的核心命题就是：如何将这四大模糊的调研需求，拆解为确定性的、可被 AI 完美执行的自动化任务，即 Skills ？

四、什么是 Skills

我们先来看一段根据 OpenAI Developers 官方文档对 Codex Agent Skills 的定义：

“Use agent skills to extend Codex with task-specific capabilities. A skill packages instructions, resources, and optional scripts so Codex can follow a workflow reliably. Skills are the authoring format for reusable workflows.”

（利用 Agent Skills 扩展 Codex 针对特定任务的能力。一个 Skill 将指令、资源和可选脚本打包在一起，使 Codex 能够可靠地执行某项工作流。Skills 是可复用工作流的创作格式。）

标准的 Skill 目录结构

my-skill/
├── SKILL.md          # 【必需】包含元数据(name, description)和具体的执行指令
├── scripts/          # 【可选】可执行的代码/脚本（例如你用来调用 CLI 的程序）
├── references/       # 【可选】参考文档或业务背景知识
└── agents/           # 【可选】外观定义及依赖项

没有看懂？没关系，说人话就是：Skill 就是一个“高阶版的提示词”，本质上是一个“AI 版本的 SOP”。

它最大的特点是按需加载，平时躺在目录里，不占大模型的上下文窗口，只有在被点名或匹配到任务时才出来干活。

在一个 Skill 内部，其实是一个非常结构化的微型工程。你只需要在它的文档里明确定义四件事：